W większości kodów Tensorflow widziałem, że Adam Optimizer jest używany ze stałą szybkością uczenia się 1e-4
(tj. 0,0001). Kod zwykle wygląda następująco:
...build the model...
# Add the optimizer
train_op = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# Add the ops to initialize variables. These will include
# the optimizer slots added by AdamOptimizer().
init_op = tf.initialize_all_variables()
# launch the graph in a session
sess = tf.Session()
# Actually intialize the variables
sess.run(init_op)
# now train your model
for ...:
sess.run(train_op)
Zastanawiam się, czy warto użyć rozkładu wykładniczego podczas korzystania z optymalizatora Adama, tj. Użyć następującego kodu:
...build the model...
# Add the optimizer
step = tf.Variable(0, trainable=False)
rate = tf.train.exponential_decay(0.15, step, 1, 0.9999)
optimizer = tf.train.AdamOptimizer(rate).minimize(cross_entropy, global_step=step)
# Add the ops to initialize variables. These will include
# the optimizer slots added by AdamOptimizer().
init_op = tf.initialize_all_variables()
# launch the graph in a session
sess = tf.Session()
# Actually intialize the variables
sess.run(init_op)
# now train your model
for ...:
sess.run(train_op)
Zwykle ludzie używają pewnego rodzaju spadku szybkości uczenia się, dla Adama wydaje się to rzadkie. Czy ma to jakiś teoretyczny powód? Czy przydatne może być połączenie optymalizatora Adama z rozpadem?
global_step
parametru minimize
. Zobacz edycję.
1e-4
= 0.0001
nie 0.0004
.